模型發布
TypeSafe AI 發布 System One 模型 Jev：捨棄字串生成專注結構化決策，輸入每百萬 token 僅 0.042 美元且輸出免費
Hacker News單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
前 OpenAI 研究員 Diogo Almeida 創立的 TypeSafe AI 宣布推出全新架構的「System One」模型 Jev，目前已開放早期存取（early access）。
據官方宣稱，Jev 捨棄了傳統 LLM 的循序字串生成（string generation），改採平行採樣（Parallel sampling）技術，並使用稱為 RLCD（Reinforcement Learning for Calibrated Decisions）的新方法進行最佳化。該模型專注於結構化決策與自動化任務，官方強調其在數學上不可能發生型別錯誤（type errors）且不會產生幻覺。Jev 會在每次輸出時附帶經過校準的機率與信心分數，將非結構化資料轉換為具備型別的機率決策。
在效能與定價方面，官方數據顯示 Jev 的端到端回應時間為 70ms 至 500ms，號稱在同等智慧水準下比現有前沿模型快 40 到 200 倍。其輸入定價為每百萬 token 0.042 美元（即每十億 token 42 美元），而輸出 token 則標榜完全免費。官方定位 Jev 適用於 AI 驅動的工作流、大數據 MapReduce、即時應用程式，以及作為評分、驗證與防範 LLM 越獄的防護網。
讀原始報導社群討論
社群高度讚賞 Jev 專注於提供型別安全的結構化輸出，其極低的成本（輸入 $0.042/MTok，輸出免費）與極快速度（70-500ms）非常適合分類、路由與 Agentic 系統，早期用戶也證實其能有效輔助驗證 LLM 的結果。然而，許多人質疑其行銷話術與架構不透明（如未解釋 RLCD），並指出將其 70-500ms 的速度與生成式 LLM 的 3-329 秒相比是「拿蘋果比橘子」，且以其他模型的平均值而非絕對正確值作為基準測試也引發爭議。整體而言，多數人認為 Jev 不該被視為 LLM 的替代品，而是處理特定確定性任務的強大互補工具。